CN109978028B - 一种基于集成深度学习的特定辐射源识别方法 - Google Patents
一种基于集成深度学习的特定辐射源识别方法 Download PDFInfo
- Publication number
- CN109978028B CN109978028B CN201910186536.XA CN201910186536A CN109978028B CN 109978028 B CN109978028 B CN 109978028B CN 201910186536 A CN201910186536 A CN 201910186536A CN 109978028 B CN109978028 B CN 109978028B
- Authority
- CN
- China
- Prior art keywords
- degrees
- dimensional
- image
- signal
- radiation source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
一种基于集成深度学习的特定辐射源识别方法,属于信号处理以及辐射源识别技术领域。所述识别方法包括如下步骤:1)测量特定辐射源发射信号生成原始数据集;2)从原始数据集信号生成三维图像;3)将三维图像转换为二维图像;4)将二维图像送入学习器生成对应的识别模型;5)将待识别信号集生成三维图像;6)将三维图像生成二维图像;7)将二维图像送入4)生成的识别模型中得到辐射源识别结果和对应后验概率;8)将识别结果的后验概率使用集成学习方法进行再学习和训练,得到待识别信号的最终识别结果。所述方法用于电子情报侦察、无线频谱管理和无线网络安全管理,具有运算简单和识别精度较高的优点。
Description
技术领域
本发明涉及一种基于集成深度学习的特定辐射源识别方法,属于信号处理以及辐射源识别技术领域。
背景技术
特定辐射源识别(Specific Emitter Identification,SEI)是根据辐射源的个体差异体现在信号上的特征来识别辐射源个体的方法,一般利用雷达、通信电台等辐射源的无意调制等信息进行发射平台的唯一性识别,具有“指纹”特征,即可以标识信号发射设备的个体身份的特征,因此又被称为辐射源信号“指纹”识别技术。
在无线通信技术越来越发达的现代社会,对信号信息的理解已经发生了扩展。在传统的通信技术中,信息接收方仅仅关注通信信号上所传递的图像、语音等通信内容,往往忽视了通信信号上所包含的能标识发射机系统硬件身份的信息。而在当前通信环境下,不仅需要获取通信信号上所传递的通信内容等基本信息,还需要从通信信号中获取通信发射机个体硬件的信息,无论是军用领域还是民用领域,都对如何从复杂的电磁环境中发现所需信号同时避免欺诈信号干扰通信提出越来越高的要求。在这种背景下,特定辐射源识别技术得到了快速的发展,并且在雷达辐射源识别领域取得了较好的工程应用。
另一方面,通信信号由于体制更为复杂,更易受到多径、衰落、频移等实际环境的影响,还没有发展出成熟的通用的识别方法,针对电台、舰船信号、数据链信号等不同目标有各自的识别方法,但同时也存在运算复杂度、实时性等亟需解决的问题。
(1)目前辐射源识别的系统架构和理论体系尚不完善,对于哪些信号特征能够用于识别、哪些特征效果更好等缺乏有效一致的评价手段,对特征集梳理不够清晰。在方法上,仍以传统人工提取特征为主,适用性受到很大限制。特别是针对通信辐射源识别,相对于雷达信号而言,通信信号更加复杂多样,调制类型、码率等参数一方面增加了信号处理的难度,同时也给通信辐射源识别提供了额外的信息,如果能充分梳理、总结和利用通信辐射源的特征则可能会有效提升识别效果。
(2)特征提取方面,尽管已经有多种特征用于识别,但都基于经典信号处理方法进行人工提取,在面向实际通信环境时,能否找到更高效、更适用的特征提取方法具有重要意义。
(3)识别模型建立过程中,可扩展性和融合性不够。目前大部分识别系统均基于一种或有限几种特征设计实现,当有新的特征出现时,系统需要重新设计,稳定性和扩展性不够。
发明内容
本发明的目的是针对现有经典信号处理方法进行人工提取特征的特定辐射源识别方法中存在对信号先验知识要求较多,特征提取计算复杂、计算量大以及只提取单一特征用于目标识别且识别精度不够高的缺陷,提出了一种基于集成深度学习的特定辐射源识别方法,用于电子情报侦察、无线频谱管理和无线网络安全管理,采用深度学习模型提取辐射源特征,通过集成学习的方法融合多种特征进行目标识别,结合了集成学习和深度学习在特征提取与模式识别中的优点,达到运算简单、识别精度较高的目的。
所述基于集成深度学习的特定辐射源识别方法,包括如下步骤:
步骤1)用信号采集装置测量M个特定辐射源的发射信号生成原始数据集,并保存生成的原始数据集;
其中,信号采集装置是矢量信号分析仪以及频谱仪中的一种;
其中,信号采集装置对每个特定辐射源采集K个信号,因此,原始数据集中包含M个特定辐射源的发射信号,共有K*M个信号;
其中,步骤1)保存的原始数据集为已知归属种类的原始数据集,且原始数据集中的信号为一段时间序列,且时间序列中的每一个数据为复信号;
步骤2)初始化k=1;
步骤3)对原始数据集中第k个信号中取长度为N的一段信号XN k,分别进行3A、3B以及3C操作,生成3个三维图像,具体为:
3A、对XN k进行小波分析,得到小波系数,生成第k个三维小波系数图像;
3B、对XN k进行双谱分析,得到双谱系数,生成第k个三维双谱系数图像;
3C、对XN k进行三谱分析,得到三谱系数,生成第k个三维三谱系数图像;
至此,3A、3B以及3C生成的1个三维小波系数图像、1个三维双谱系数图像、1个三维三谱系数图像合称为3个三维图像;
步骤4)判断循环计数值k是否已经达到计数最大值K*M,并决定是否完成本方法,具体为:
4.1若否,则k=k+1,跳至步骤3);
4.2若是,则得到3K*M个三维图像,跳至步骤5);
步骤5)从步骤4)所得的3K*M个三维图像中各选取L个合适视角进行投影,得到3K*M*L个二维图像;
其中,1≤L≤10;合适视角选取原则:三维小波系数图像投影得到二维小波图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(88°,0°)至(92°,0°);
三维双谱系数图像投影得到二维双谱图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(-43°,0°)至(-48°,0°),以及(43°,0°)至(48°,0°);
三维三谱系数图像投影得到二维三谱图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(-43°,0°)至(-48°,0°),以及(43°,0°)至(48°,0°);
由三维图像生成二维图像时,每一类选取L个视角生成多组二维图像;
步骤6)将由原始数据集经步骤5)生成的二维图像送入学习器进行学习,生成对应的识别模型;
其中,学习器是CNN卷积神经网络以及DBN深度信念网络中的一种或两者组合;
步骤7)将K设置为[K*1/S],并将j初始化为1;
其中,3≤S≤5;[K*1/S]表示对K*1/S取四舍五入的整数;
步骤8)用信号采集装置重新测量M个特定辐射源的发射信号生成待识别信号集,并保存生成的待识别信号集;
其中,信号采集装置对每个特定辐射源采集K个信号,因此,待识别信号集中包含M个特定辐射源的发射信号,共有K*M个信号且保存的待识别信号不知归属种类;
步骤9)对待识别信号集中第j个信号中取长度为N的一段信号YN j,分别进行9A、9B以及9C操作,生成3个三维图像,具体为:
9A、对YN j进行小波分析,得到小波系数,生成第j个三维小波系数图像;
9B、对YN j进行双谱分析,得到双谱系数,生成第j个三维双谱系数图像;
9C、对YN j进行三谱分析,得到三谱系数,生成第j个三维三谱系数图像;
至此,9A、9B以及9C生成的1个三维小波系数图像、1个三维双谱系数图像、1个三维三谱系数图像合称为3个三维图像;
步骤10)判断循环计数值j是否已经达到计数最大值K*M,并决定是否完成本方法,具体为:
10.1若否,则j=j+1,跳至步骤9);
10.2若是,则得到3K*M个三维图像,跳至步骤11);
步骤11)从步骤10)所得的3K*M个三维图像中各选取L个合适视角进行投影,得到3K*M*L个二维图像;
其中,1≤L≤10且L取值与步骤5)中相同,合适视角的选取原则与步骤5)相同,即:
三维小波系数图像投影得到二维小波图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(88°,0°)至(92°,0°);
三维双谱系数图像投影得到二维双谱图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(-43°,0°)至(-48°,0°),以及(43°,0°)至(48°,0°);
三维三谱系数图像投影得到二维三谱图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(-43°,0°)至(-48°,0°),(43°,0°)至(48°,0°);
由三维图像生成二维图像时,每一类选取L个视角生成多组二维图像;
步骤12)将待识别信号集经过步骤8)至步骤11)得到的二维图像作为输入,放入步骤6)生成的识别模型中,得到相应的对每一段待识别信号识别为某一类辐射源的识别结果和对应的后验概率;
步骤13)将步骤12)得到的识别结果的后验概率使用集成学习方法进行再学习和训练,输出得到待识别信号的最终识别结果;
其中,集成学习方法为Stacking层叠泛化方法。
有益效果
本发明提供一种基于集成深度学习的特定辐射源识别方法,与现有技术相比,具有如下有益效果:
1.本发明所述方法在现有基于经典信号处理方法人工提取特征的特定辐射源识别方法基础上,不需要待识别信号的先验信息,不需要直接求解信号双谱、三谱等高阶谱特征,而是通过深度学习网络提取信号的相关特征,提升了识别率,集成了高阶谱特征识别方法,因此在较低信噪比下也可以取得较好的识别效果;
2.本发明所述方法与现有特定辐射源识别方法相比,不需要人工提取特征,计算过程简单,具体借助于深度学习与深度神经网路强大的提取特征与分类识别功能,可极大地简化提取特征过程;
3.本发明所述方法与现有特定辐射源识别方法相比,利用集成深度学习综合辐射源的多特征联合识别方法,可以充分发掘辐射源不同特征的差异性,特征互补识别能较好的提升辐射源识别的效果。
附图说明
图1为本发明“一种基于集成深度学习的特定辐射源识别方法”中的本方法及实施例1中的流程示意图;
图2为本发明“一种基于集成深度学习的特定辐射源识别方法”中实施例1中不同维度不同视角的小波特征图像,图2从左往右,从上往下依次为三维小波系数图像,选取(-45°,0°)、(-90°,0°)、(0°,0°)、(0°,90°)、(90°,0°)不同视角的二维小波特征图像;
图3为本发明“一种基于集成深度学习的特定辐射源识别方法”中实施例1中不同维度不同视角的双谱特征图像,图3从左往右,从上往下依次为三维双谱系数图像,选取(-45°,0°)、(-90°,0°)、(0°,0°)、(0°,90°)、(45°,0°)不同视角的二维双谱特征图像;
图4为本发明“一种基于集成深度学习的特定辐射源识别方法”中实施例1中不同维度不同视角的三谱特征图像,图4从左往右,从上往下依次为三维三谱系数图像,选取(-45°,0°)、(-90°,0°)、(0°,0°)、(0°,90°)、(45°,0°)不同视角的二维三谱特征图像;
图5为本发明“一种基于集成深度学习的特定辐射源识别方法”中实施例1中五种模型识别结果准确率对比,五种模型分别是:小波图像特征直接使用Alexnet得到对待识别信号的识别结果;双谱图像特征直接使用Alexnet得到对待识别信号的识别结果;三谱图像特征直接使用Alexnet得到对待识别信号的识别结果;三种图像使用Alexnet并用投票法集成得到对待识别信号的识别结果;三种图像使用Alexnet并用层叠泛化SVM集成得到对待识别信号的识别结果;
图6为本发明“一种基于集成深度学习的特定辐射源识别方法”中实施例1中四类无线网卡经层叠泛化SVM集成深度神经网络模型识别结果的混淆矩阵。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
实施例1
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
本发明提供了一种基于集成深度学习的特定辐射源识别方法,图1所示为本发明的技术方案流程图,以下结合图1对本发明进行进一步详细说明。
通常通信辐射源包含各种通信数据链台站、各种手持移动终端(手机、具有无线上网功能的平板等)、各类无线网络发射器(通信基站、无线路由器、便携式无线网卡等)等设备,通信辐射源识别有着广泛的应用领域,在军事领域可以通过对敌方电子侦查装备、舰船装备的识别明确应对计划,辅助作战决策;在民用无线安全领域中,可以使用通信辐射源识别技术明确接入设备的硬件身份,从而杜绝网络安全密钥泄露时造成的安全隐患;在工业设备质量检测、生产线产品质量检测领域中,可以通过辐射源识别技术找到含有质量问题的设备和产品,减少安全隐患。
作为实验验证,选取同一厂家、同一型号的四个便携式无线网卡作为待识别辐射源(对应本发明步骤1中M取值为4),分别编号为e1、e2、e3、e4,在相同的使用环境(采集设备与无线网卡使用设备处于稳定工作状态且相互距离保持固定,无人员走动干扰且在连续的一段时间内完成信号采集任务)下使用同一矢量信号分析仪进行信号采集任务。
按照本发明识别流程所述,首先对四个无线网卡各采集450(对应本发明步骤1中K取值为450)组长度为1000(对应本发明步骤3中N取值为1000)点的无线网卡稳态传输信号,作为原始数据集,原始数据集归属类别已知;然后对四个无线网卡各采集150(对应本发明步骤7中S取值为3)组长度为1000(对应本发明步骤9中N取值为1000)点的无线网卡稳态传输信号作为待识别数据集,待识别数据集归属类别未知。然后对所有数据进行如下操作:
1)选用morlet小波进行小波变换,得到小波系数,通过三维曲线函数生成三维小波系数图像;
2)使用直接估计法得到双谱系数,通过三维曲线函数生成三维双谱系数图像;
3)使用ARMA模型理论三谱2D切片谱估计法得到三谱的切片谱系数,通过三维曲线函数生成三维三谱切片谱系数图像;
通常由三维小波系数图像转化为对应二维小波特征图像时转化视角可以选取(-90°,0°),(90°,0°),(0°,0°),(0°,90°),当选择(0°,90°)时即为小波时频图像;同时由于双谱和三谱的对称性,通常选取(-90°,0°),(90°,0°),(-45°,0°),(45°,0°),(0°,0°),(0°,90°)等视角所得二维图像能较充分的体现待识别信号的双谱和三谱特征;因此,对三维小波系数图像选取视角(90°,0°)得到二维小波特征图像(对应本发明步骤5中L取值为1)见图2,对三维双谱系数图像选取视角(-45°,0°)得到二维双谱特征图像(对应本发明步骤5中L取值为1)见图3,对三维三谱切片谱系数图像选取视角(-45°,0°)得到二维三谱特征图像(对应本发明步骤5中L取值为1)见图4。
图2从左往右,从上往下依次为三维小波系数图像,选取(-45°,0°)、(-90°,0°)、(0°,0°)、(0°,90°)、(90°,0°)不同视角的二维小波特征图像。
图3从左往右,从上往下依次为三维双谱系数图像,选取(-45°,0°)、(-90°,0°)、(0°,0°)、(0°,90°)、(45°,0°)不同视角的二维双谱特征图像。
图4从左往右,从上往下依次为三维三谱系数图像,选取(-45°,0°)、(-90°,0°)、(0°,0°)、(0°,90°)、(45°,0°)不同视角的二维三谱特征图像。
在本示例中使用卷积神经网络Alexnet(对应本发明步骤6中学习器为CNN和DBN中的一种)作为选取的学习器来训练模型,将编号为e1、e2、e3、e4的无线网卡中原始数据集产生的各450幅共计1800幅小波特征图片作为输入送入Alexnet,以各自类别e1、e2、e3、e4作为标签,进行有监督学习与训练,Alexnet网络参数设置如下:
训练层数Training epochs:30
Batch size:30
Solver type:Adam(Adaptive Moment estimation)
初始学习率Base learning Rate:0.0001
得到一个训练好的小波特征识别模型。
将编号为e1、e2、e3、e4的无线网卡中原始数据集产生的各450幅共计1800幅双谱特征图片作为输入送入Alexnet,以各自类别e1、e2、e3、e4作为标签,进行有监督学习与训练,Alexnet网络参数设置与小波特征识别模型相同,得到一个训练好的双谱特征识别模型。
将编号为e1、e2、e3、e4的无线网卡中原始数据集产生的各450幅共计1800幅三谱特征图片作为输入送入Alexnet,以各自类别e1、e2、e3、e4作为标签,进行有监督学习与训练,Alexnet网络参数设置与小波特征识别模型相同,得到一个训练好的三谱特征识别模型。
将四个无线网卡待识别数据集中产生的各150幅共计600幅小波特征图片在训练好的小波特征识别模型中进行分类验证,可以得到视角(90°,0°)的小波特征识别结果;将四个无线网卡待识别数据集中产生的各150幅共计600幅双谱特征图片在训练好的双谱特征识别模型中进行分类验证,可以得到视角(-45°,0°)的双谱特征识别结果;将四个无线网卡待识别数据集中产生的各150幅共计600幅三谱特征图片在训练好的三谱特征识别模型中进行分类验证,可以得到视角(-45°,0°)的三谱特征识别结果。
将以上三种特征的识别结果(属于某一类无线网卡的后验概率)使用集成学习的方法进行再学习训练,得到最终经过集成学习后的识别结果。本示例中分别选取多数投票法和层叠泛化支持向量机(SVM)法作为集成学习的学习方法,其中SVM参数设置为经过5折交叉验证的线性核SVM,与不经过集成学习直接得到识别结果的三种模型进行对比,结果如图5所示。图5中五种模型分别是:小波图像特征直接使用Alexnet得到对待识别信号的识别结果;双谱图像特征直接使用Alexnet得到对待识别信号的识别结果;三谱图像特征直接使用Alexnet得到对待识别信号的识别结果;三种图像使用Alexnet并用投票法集成得到对待识别信号的识别结果;三种图像使用Alexnet并用层叠泛化SVM集成得到对待识别信号的识别结果。
由图5可知,小波特征模型直接识别结果平均正确率为91.17%,双谱特征模型直接识别结果平均正确率为91.83%,三谱特征模型直接识别结果平均正确率为92.17%,投票法集成模型识别结果平均正确率为95.83%,SVM集成模型识别结果平均正确率为100%,由此可见与单独使用深度神经网络识别模型相比,使用集成学习方法进行再学习训练后识别结果均有较明显提升,在辐射源种类不是非常多时,每个深度神经网络模型选择一个视角(对应本发明步骤5中L取值为1)进行集成就能得到较好的识别结果,当辐射源种类很多时(例如:多于10个),可以选择10个(对应本发明步骤5中L取值为10)投影视角,得到多组由三维图像生成的二维图像,通过集成多个视角的不同深度神经网络模型,仍然可以有效提升识别结果。图6为经过层叠泛化SVM集成深度神经网络模型识别结果的混淆矩阵,e1、e2、e3、e4分别代表编号为e1、e2、e3、e4的无线网卡。
由图6可知,四类无线网卡各150个待识别数据集都能正确的被识别为对应的真实类型。
在一些对识别速度要求苛刻而对识别精度要求不是非常高的情况下,例如对战场目标的粗识别,集成学习中的投票法就更适合此类场景,而在一些对识别精度要求苛刻的情况下,集成学习中的层叠泛化方法更符合要求。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于集成深度学习的特定辐射源识别方法,其特征在于:包括如下步骤:
步骤1)用信号采集装置测量M个特定辐射源的发射信号生成原始数据集,并保存生成的原始数据集;
其中,信号采集装置对每个特定辐射源采集K个信号,因此,原始数据集中包含M个特定辐射源的发射信号,共有K*M个信号;
其中,步骤1)保存的原始数据集为已知归属种类的原始数据集,且原始数据集中的信号为一段时间序列,且时间序列中的每一个数据为复信号;
步骤2)初始化k=1;
步骤3)对原始数据集中第k个信号中取长度为N的一段信号XN k,分别进行3A、3B以及3C操作,生成3个三维图像,具体为:
3A、对XN k进行小波分析,得到小波系数,生成第k个三维小波系数图像;
3B、对XN k进行双谱分析,得到双谱系数,生成第k个三维双谱系数图像;
3C、对XN k进行三谱分析,得到三谱系数,生成第k个三维三谱系数图像;
至此,3A、3B以及3C生成的1个三维小波系数图像、1个三维双谱系数图像、1个三维三谱系数图像合称为3个三维图像;
步骤4)判断循环计数值k是否已经达到计数最大值K*M,并决定是否完成本方法,具体为:
4.1若否,则k=k+1,跳至步骤3);
4.2若是,则得到3K*M个三维图像,跳至步骤5);
步骤5)从步骤4)所得的3K*M个三维图像中各选取L个合适视角进行投影,得到3K*M*L个二维图像;
其中,合适视角选取原则:三维小波系数图像投影得到二维小波图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(88°,0°)至(92°,0°);
三维双谱系数图像投影得到二维双谱图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(-43°,0°)至(-48°,0°),以及(43°,0°)至(48°,0°);
三维三谱系数图像投影得到二维三谱图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(-43°,0°)至(-48°,0°),以及(43°,0°)至(48°,0°);
由三维图像生成二维图像时,每一类选取L个视角生成多组二维图像;
步骤6)将由原始数据集经步骤5)生成的二维图像送入学习器进行学习,生成对应的识别模型;
步骤7)将K设置为[K*1/S],并将j初始化为1;
其中,3≤S≤5;[K*1/S]表示对K*1/S取四舍五入的整数;
步骤8)用信号采集装置重新测量M个特定辐射源的发射信号生成待识别信号集,并保存生成的待识别信号集;
其中,信号采集装置对每个特定辐射源采集K个信号,因此,待识别信号集中包含M个特定辐射源的发射信号,共有K*M个信号且保存的待识别信号不知归属种类;
步骤9)对待识别信号集中第j个信号中取长度为N的一段信号YN j,分别进行9A、9B以及9C操作,生成3个三维图像,具体为:
9A、对YN j进行小波分析,得到小波系数,生成第j个三维小波系数图像;
9B、对YN j进行双谱分析,得到双谱系数,生成第j个三维双谱系数图像;
9C、对YN j进行三谱分析,得到三谱系数,生成第j个三维三谱系数图像;
至此,9A、9B以及9C生成的1个三维小波系数图像、1个三维双谱系数图像、1个三维三谱系数图像合称为3个三维图像;
步骤10)判断循环计数值j是否已经达到计数最大值K*M,并决定是否完成本方法,具体为:
10.1若否,则j=j+1,跳至步骤9);
10.2若是,则得到3K*M个三维图像,跳至步骤11);
步骤11)从步骤10)所得的3K*M个三维图像中各选取L个合适视角进行投影,得到3K*M*L个二维图像;
其中,L取值与步骤5)中相同,合适视角的选取原则与步骤5)相同,即:
三维小波系数图像投影得到二维小波图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(88°,0°)至(92°,0°);
三维双谱系数图像投影得到二维双谱图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(-43°,0°)至(-48°,0°),以及(43°,0°)至(48°,0°);
三维三谱系数图像投影得到二维三谱图像,选取视角范围为(-88°,0°)至(-92°,0°),以及(-43°,0°)至(-48°,0°),(43°,0°)至(48°,0°);
由三维图像生成二维图像时,每一类选取L个视角生成多组二维图像;
步骤12)将待识别信号集经过步骤8)至步骤11)得到的二维图像作为输入,放入步骤6)生成的识别模型中,得到相应的对每一段待识别信号识别为某一类辐射源的识别结果和对应的后验概率;
步骤13)将步骤12)得到的识别结果的后验概率使用集成学习方法进行再学习和训练,输出得到待识别信号的最终识别结果。
2.根据权利要求1所述的一种基于集成深度学习的特定辐射源识别方法,其特征在于:步骤1)中,信号采集装置是矢量信号分析仪以及频谱仪中的一种。
3.根据权利要求1所述的一种基于集成深度学习的特定辐射源识别方法,其特征在于:步骤5)和步骤11)中的L值的取值范围为1≤L≤10。
4.根据权利要求1所述的一种基于集成深度学习的特定辐射源识别方法,其特征在于:步骤6)中学习器是CNN卷积神经网络以及DBN深度信念网络中的一种或两者组合。
5.根据权利要求1所述的一种基于集成深度学习的特定辐射源识别方法,其特征在于:步骤13)中的集成学习方法为Stacking层叠泛化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910186536.XA CN109978028B (zh) | 2019-03-12 | 2019-03-12 | 一种基于集成深度学习的特定辐射源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910186536.XA CN109978028B (zh) | 2019-03-12 | 2019-03-12 | 一种基于集成深度学习的特定辐射源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978028A CN109978028A (zh) | 2019-07-05 |
CN109978028B true CN109978028B (zh) | 2020-12-01 |
Family
ID=67078678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910186536.XA Active CN109978028B (zh) | 2019-03-12 | 2019-03-12 | 一种基于集成深度学习的特定辐射源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978028B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126134B (zh) * | 2019-11-11 | 2022-03-22 | 浙江大学 | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 |
CN112418307B (zh) * | 2020-11-20 | 2022-08-09 | 中国电子科技集团公司第二十九研究所 | 一种结合深度学习和集成学习的辐射源个体识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018447A (zh) * | 2019-04-09 | 2019-07-16 | 电子科技大学 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7485877B2 (en) * | 2005-05-27 | 2009-02-03 | The Regents Of The University Of Michigan | Integrative and real-time radiation measurement methods and systems |
CN104769456B (zh) * | 2012-11-09 | 2018-11-06 | 圣戈本陶瓷及塑料股份有限公司 | 使用脉冲识别的辐射检测装置和使用该装置的方法 |
CN106529478A (zh) * | 2016-11-08 | 2017-03-22 | 中国人民解放军空军工程大学 | 一种联合三维熵特征的雷达辐射源信号识别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
-
2019
- 2019-03-12 CN CN201910186536.XA patent/CN109978028B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018447A (zh) * | 2019-04-09 | 2019-07-16 | 电子科技大学 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
Non-Patent Citations (1)
Title |
---|
短时三谱分析在通信电台个体识别中的应用;郭瑞 等;《现代电子技术》;20110115;第34卷(第2期);第116-118、122页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109978028A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536851B (zh) | 一种基于移动轨迹相似度比较的用户身份识别方法 | |
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN110084094B (zh) | 一种基于深度学习的无人机目标识别分类方法 | |
CN102890776B (zh) | 通过面部表情调取表情图释的方法 | |
CN111767848B (zh) | 一种基于多域特征融合的辐射源个体识别方法 | |
CN110166154B (zh) | 一种基于神经网络的软件无线电频谱监测识别的方法 | |
CN109039671A (zh) | 群组消息显示方法、装置、终端及存储介质 | |
CN109978028B (zh) | 一种基于集成深度学习的特定辐射源识别方法 | |
CN112801054B (zh) | 人脸识别模型的处理方法、人脸识别方法及装置 | |
CN109829072A (zh) | 构建图谱方法及相关装置 | |
Yasir et al. | Two-handed hand gesture recognition for Bangla sign language using LDA and ANN | |
CN111401105B (zh) | 一种视频表情识别方法、装置及设备 | |
CN110048978A (zh) | 一种信号调制识别方法 | |
Rokhana et al. | Multi-class image classification based on mobilenetv2 for detecting the proper use of face mask | |
Luo et al. | Beyond universal attack detection for continuous-variable quantum key distribution via deep learning | |
CN110087233B (zh) | 一种基于射频指纹的无人机身份认证方法 | |
CN115392285A (zh) | 一种基于多模态的深度学习信号个体识别模型防御方法 | |
CN112383488B (zh) | 一种适用于加密与非加密数据流的内容识别方法 | |
CN111598027B (zh) | 一种基于遥感大数据的区域性浅水种植区分布系统及方法 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
CN104463230B (zh) | 一种利用成对约束分块的高光谱遥感影像的波段选择方法 | |
CN112597379B (zh) | 数据识别方法、装置和存储介质及电子装置 | |
CN109886320A (zh) | 一种人体股骨x光片智能识读方法及系统 | |
Hou et al. | An automatic modulation recognition algorithm based on HHT and SVD | |
CN114296041A (zh) | 基于DCNN和Transformer的雷达辐射源识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |